شیدهوش

راهکار صنعتداده‌ی محرمانه

هوش مصنوعی در لجستیک، حمل‌ونقل و زنجیره تأمین

در لجستیک، بیشترین کار دستی پشت میز است نه پشت فرمان: سفارشی که با ایمیل می‌آید و دستی وارد سامانه می‌شود، بارنامه‌ای که دوباره تایپ می‌شود، و تماسی که فقط می‌پرسد بار کجاست.

مسئله در این حوزه چه شکلی است

  1. ۱سفارش و استعلام قیمت از ایمیل، پیام‌رسان و تلفن می‌آید و هر کدام دستی به سامانه‌ی حمل منتقل می‌شود.
  2. ۲بارنامه، فاکتور و اسناد گمرکی در قالب‌های مختلف می‌رسند و داده‌شان چند بار تایپ می‌شود.
  3. ۳بخش بزرگی از تماس مشتری فقط یک سؤال است: بار من کجاست؟
  4. ۴نرخ حمل، قرارداد با مشتری و حمل‌کننده و اطلاعات گیرنده، داده‌ی محرمانه‌ی رقابتی‌اند.

کاربرد هوش مصنوعی در حمل‌ونقل و لجستیک: نمونه‌های واقعی در شرکت‌های بزرگ دنیا

مهم‌ترین درس لجستیک جهانی این است که «هوش مصنوعی» دو چیز متفاوت است. بهینه‌سازی مسیر یوپی‌اس ریاضیات بهینه‌سازی است و سال‌ها داده و مهندسی پشتش است. موج تازه اما ایجنت‌های هوش مصنوعی پشت میز است: سی‌اچ رابینسون ایجنت‌هایی دارد که سفارش را از ایمیل می‌خوانند و می‌سازند، و دی‌اچ‌ال با تماس صوتی هوشمند عوارض گمرکی را برای گیرنده توضیح می‌دهد. شرکت حمل ایرانی از همین دومی می‌تواند شروع کند، چون به داده‌ی چندساله نیاز ندارد.

  • سی‌اچ رابینسون

    C.H. Robinson · ۲۰۲۵

    ثبت سفارش و استعلام قیمت با ایجنت هوش مصنوعی

    بیش از ۳۰ ایجنت هوش مصنوعی دارد: ایجنت سفارش، درخواست حمل را از ایمیل و پیوستش می‌خواند و در حدود ۹۰ ثانیه سفارش را می‌سازد؛ ایجنت قیمت‌گذاری بیش از یک میلیون استعلام را جواب داده است. اعداد گزارش خود شرکت‌اند.

    منبع: سی‌اچ رابینسون، ۲۰۲۵ (در پنجره‌ی تازه باز می‌شود)

  • یوپی‌اس

    UPS · ORION · ۲۰۱۶

    بهینه‌سازی مسیر رانندگان

    سامانه‌ی ORION مسیر روزانه‌ی رانندگان را با بهینه‌سازی ریاضی می‌چیند و به گزارش یوپی‌اس سالانه حدود ۱۰۰ میلیون مایل رانندگی کم کرده است. این بهینه‌سازی کلاسیک است، نه مدل زبانی، و سال‌ها داده و مهندسی پشتش است.

    منبع: INFORMS (در پنجره‌ی تازه باز می‌شود)

  • دی‌اچ‌ال

    DHL · ۲۰۲۴

    تماس صوتی هوشمند درباره‌ی عوارض گمرکی

    دی‌اچ‌ال با ربات‌های صوتی مبتنی بر هوش مصنوعی مولد با گیرنده تماس می‌گیرد تا عوارض گمرکی محموله‌ی ورودی را توضیح دهد؛ تیم‌های حقوقی و پشتیبانی‌اش هم از ابزارهای آماده‌ی دارای هوش مصنوعی مولد استفاده می‌کنند.

    منبع: Supply Chain Dive (در پنجره‌ی تازه باز می‌شود)


از کجا شروع کنیم: سه کار قابل خودکارسازی

نقطه‌ی شروع امن برای سازمانی در ایران، به‌ترتیب اولویت.

  1. ۱

    ساخت سفارش از ایمیل و پیام

    درخواست حمل از ایمیل، پیوست یا پیام‌رسان خوانده می‌شود و پیش‌نویس سفارش در سامانه ساخته می‌شود؛ کارشناس تأیید می‌کند. فیلدهای ناقص به‌جای حدس، علامت می‌خورند.

  2. ۲

    استخراج داده از بارنامه و اسناد حمل

    وزن، تعداد، مبدأ، مقصد و شماره‌ی بارنامه از سند اسکن‌شده استخراج می‌شود. خروجی قابل راستی‌آزمایی است: جمع وزن اقلام باید با وزن کل بخواند و شماره‌ی بارنامه با الگوی خودش.

  3. ۳

    پاسخ به «بارم کجاست»

    سامانه وضعیت را از سامانه‌ی ردیابی می‌خواند و پاسخ را می‌نویسد، فقط برای کسی که شماره‌ی محموله و یک عامل احراز را دارد. پرسش‌های غیرعادی — تأخیر، آسیب، ادعای خسارت — به کارشناس می‌روند.

داده و معماری

داده‌ای که هرگز نباید بیرون برود

  • نرخ‌ها و قرارداد با مشتری و حمل‌کننده
  • نام، نشانی و تلفن گیرنده
  • مسیر و زمان‌بندی محموله‌های باارزش
  • اسناد گمرکی و ارزش اظهاری کالا
  • موقعیت لحظه‌ای ناوگان

معماری استقرار متناسب

درون‌سازمانی

ابری خصوصی یا درون‌سازمانی برای جریان‌هایی که نرخ و اطلاعات گیرنده دارند. ایجنت ثبت سفارش فقط پیش‌نویس می‌سازد و اختیار ثبت نهایی یا تغییر نرخ ندارد؛ این محدودیت در دسترسی سامانه اعمال می‌شود، نه در پرامپت. پاسخ وضعیت به مشتری فقط از سامانه‌ی ردیابی خوانده می‌شود، نه از حافظه‌ی مدل.

ریسک‌های OWASP LLM مرتبط

  • LLM01تزریق پرامپت

    ایمیل و پیوست سفارش از بیرون می‌آیند و ورودی نامعتمدند؛ سفارشی که دستور پنهان داشته باشد نباید بتواند نرخ یا مقصد را عوض کند.

  • LLM06اختیار بیش از حد

    ایجنتی که بتواند سفارش نهایی ثبت کند یا نرخ تعیین کند، خطایش مستقیماً هزینه می‌شود. پیش‌نویس، نه ثبت.

  • LLM05مدیریت نادرست خروجی

    خروجی مدل که بی‌اعتبارسنجی وارد سامانه‌ی حمل شود — تاریخ اشتباه، وزن ناممکن — خطا را در کل زنجیره پخش می‌کند.

معیار پذیرش و محدودیت‌ها

نمونه‌ی معیار پذیرش

روی ۳۰۰ ایمیل سفارش واقعی، پیش‌نویس سفارش بدون اصلاح فیلد کلیدی به نرخ توافق‌شده برسد؛ صفر سفارش ثبت‌شده بدون تأیید کارشناس؛ و در آزمون پاسخ وضعیت، صفر پاسخ به درخواست بدون احراز.

عدد دقیق در گفت‌وگو با شما و بر اساس وضعیت فعلی کارتان تعیین می‌شود. عددی که بدون شناخت کار شما نوشته شود، تبلیغ است نه معیار.

محدودیت‌ها: چه چیزی هنوز حل نشده

  • بهینه‌سازی مسیر و پیش‌بینی تقاضا مسئله‌های ریاضی‌اند و به داده‌ی تاریخی تمیز نیاز دارند؛ با مدل زبانی حل نمی‌شوند و نقطه‌ی شروع این راهکار نیستند.
  • کیفیت استخراج از بارنامه‌ی دست‌نویس یا اسکن کج پایین‌تر است و باید روی نمونه‌ی واقعی خودتان سنجیده شود.
  • اگر سفارش‌هایتان بیشتر تلفنی‌اند، اول باید ثبت مکتوبشان حل شود؛ ایجنت ایمیل‌خوان به کارتان نمی‌آید.

پرسش و پاسخ

شرکت‌های بزرگ لجستیک دنیا از هوش مصنوعی چطور استفاده می‌کنند؟

سی‌اچ رابینسون بیش از ۳۰ ایجنت هوش مصنوعی دارد که سفارش را از ایمیل می‌سازند و به استعلام قیمت جواب می‌دهند، یوپی‌اس مسیر رانندگان را با بهینه‌سازی ریاضی می‌چیند، و دی‌اچ‌ال با تماس صوتی هوشمند عوارض گمرکی را برای گیرنده توضیح می‌دهد.

هوش مصنوعی مسیر ناوگان ما را بهینه می‌کند؟

بهینه‌سازی مسیر کار ریاضیات بهینه‌سازی است، نه مدل زبانی، و به داده‌ی دقیق نشانی و زمان تحویل نیاز دارد. اگر این داده را دارید شدنی است، ولی پروژه‌ی جداگانه‌ای است. نقطه‌ی شروع سریع‌تر، کار دستی پشت میز است: سفارش، بارنامه و پاسخ به مشتری.

ایجنت هوش مصنوعی می‌تواند خودش سفارش ثبت کند؟

در شروع، نه. ایجنت پیش‌نویس می‌سازد و کارشناس ثبت می‌کند. وقتی مجموعه‌ی ارزیابی نشان داد خطا در فیلدهای کلیدی پایدارانه پایین است، می‌شود برای سفارش‌های ساده و تکراری اختیار بیشتری داد.

برای انبارداری هم کاربرد دارد؟

بله، در همان لایه‌ی اسناد: رسید انبار، فهرست بسته‌بندی و جست‌وجو در رویه‌های انبار. پیش‌بینی موجودی و چیدمان انبار مسئله‌های داده‌محور جداگانه‌اند.

حمل‌ونقل و لجستیک: از کجا شروع کنیم؟

یک جلسه‌ی نیم‌ساعته کافی است تا بفهمیم کدام از این سه کار برای شما اولویت دارد و اولین گام مشخصتان چیست.

اگر این خدمات مناسب شما نباشد، صریحاً به شما می‌گویم.